logo

1 Contexte

1.1 Objectif

Ambition : proposer un cadre de vie dans lequel les flux cyclistes sont sécurisés et des moyens sont mis en oeuvre pour systématiquement réduire l’occurrence d’accidents impliquant des cyclistes

Analyse a posteriori : Identifier les zones accidentogènes d’un territoire pour les cyclistes à travers l’analyse des flux et des caractéristiques des lieux d’accident

Analyse a priori : identifier les zones susceptibles de présenter des caractéristiques accidentogènes sur la base de l’analyse a posteriori

Reproductibilité : Proposer un modèle d’analyse générique pour permettre de réaliser l’évaluation d’un territoire par une collectivité, une association ou des usagers avertis avec comme objectif de proposer des évolutions de la voirie susceptible de réduire l’accidentologie

1.2 Besoins

T1 - Définir les caractéristiques types des zones accidentogènes à travers l’analyse fine de la voirie, des flux, de la météo et de toutes propriétés discriminantes

T2 - Identifier les zones d’un territoire géographique susceptible de présenter des critères accidentogènes sur la base de ces critères

Data > Produire un module d’analyse open-source, documenté et partagé pour les zones accidentogènes.

Communication > Promouvoir le modèle d’analyse à travers un site internet, un github et des outils de communication à destination des cibles identifiés

1.3 Cibles

1- Les collectivités pour les aider à prioriser les investissements dans les équipements de sécurisation de voirie des flux cyclistes sur leurs territoires.

2- Les associations de cyclistes pour analyser les territoires et appuyer leurs plaidoyers pour demander des évolutions des pratiques des collectivités

3- Les fournisseurs de service d’itinéraires cyclistes pour intégrer le contournement de zones identifiables comme plus accidentogènes dans leurs calculs

2 Les données

2.1 Analyse et cartographie de l’offre cyclable

Individu: Aménagement cyclable

n = 2292

Variables:

le “d” signifie à droite, le ”g” signifie à gauche

  • ame_d = type d’aménagement (variable qualitative nominale)

  • regime_d = lieu du type d’aménagement (var quali nomi)

  • sens_d = sens de l’aménagement (var quali nomi)

  • statut_d = le statut de l’aménagement (var quali nomi)

  • revet_d = la matière de l’aménagement (var quali nomi)

  • data_maj = la date à laquelle l’aménagement a été crée (var quali nomi)

  • trafic_vit = la limitation de vitesse de la route à côté de la piste cyclable (var quanti discrète)

  • local_d = où se trouve l’aménagement par rapport à la route (var quali nomi)

  • lumiere = si l’aménagement est allumé (TRUE) ou pas (FALSE) (var qualitative nominale)

  • largeur = la largeur de l’aménagement (var quanti discrète)

  • geometry = la ligne correspondant à l’aménagement

2.2 Graphique du nombre d’accidents de vélo en fonction de la limitation de vitesse

On se rend compte qu’il y a plus d’accidents en vélo lorsque la limitation de vitesse est de 50.

Remarque: j’enlève la ligne 532 car il y a un -1 dans la colonne des limitations des vitesses et ce -1 s’affiche donc dans mon histogramme. Etant donné que je n’arrive pas à enlever ce -1 avec un replace (R ne voit pas ce -1 comme étant un -1 dans la table), j’ai donc décidé de le faire manuellement en regardant à quelle ligne il se situait et l’enlever.

2.3 Maintenant, on va essayer de voir comment obtenir les infos sur les tampons afin d’avoir plus d’informations sur ce qu’il y a autour de chaque accident

Je n’ai pas réussi à le faire malgré de nombreuses tentatives mais par la suite, nous verrons que nous possédons déjà ces informations dans une autre table.

2.4 Analyse de la correlation entre les accidents de vélo et les variables de la table usagers

## [1] 548

Avec “length(unique(merged_usager$Num_Acc))”, on se rend compte que cette table merged_usager contient tous les accidents, et pour chaque accident on a au minimum 1 individu en vélo impliqué. Les autres individus peuvent être en voiture, en transport en commun ou bien à pied.

2.4.1 Variable trajet

2.4.1.1 Description des modalité:

-1 = Non renseigné

0 = Non renseigné

1 = Domicile – travail

2 = Domicile – école

3 = Courses – achats

4 = Utilisation professionnelle

5 = Promenade – loisirs

9 = Autre

2.4.1.2 Graphique sur le nombre d’accidents impliquant un vélo en fonction du motif du trajet:

On se rend compte que les accidents impliquant un vélo se déroule souvent lors de loisirs ou de promenade.

2.4.1.3 Graphique sur le nombre d’accidents impliquant un vélo en fonction du motif du trajet et de l’heure de l’accident:

2.4.2 Variable Locp

2.4.2.1 Description des modalités:

Localisation du piéton :

  • -1 – Non renseigné

  • 0 – Sans objet

Sur chaussée :

  • 1 – A + 50 m du passage piéton

  • 2 – A – 50 m du passage piéton

Sur passage piéton :

  • 3 – Sans signalisation lumineuse

  • 4 – Avec signalisation lumineuse

Divers :

  • 5 – Sur trottoir

  • 6 – Sur accotement

  • 7 – Sur refuge ou BAU

  • 8 – Sur contre allée

  • 9 – Inconnue

2.4.2.2 Affichage du nombre d’occurences de chaque modalité:

## 
##  -1   0   1   2   3   4   5   8   9 
##  75 950   1   6   3   5   6   1   2

La plupart des localisations des piétons sont “sans objet”, ce n’est donc pas très utile d’en tirer de l’information.

2.5 Création de la table avec 300 colonnes correspondant aux tags, et 548 lignes correspondant aux accidents

Comme dit précedemment, nous possédons déjà les informations de OpenStreetMap dans une table et elle se nomme “Tampon_Accidents_velo_osm_sf”. Elle contient pour chaque tampon, donc pour chaque zone de 30 mètres autour de chaque accident, des informations sur la limitation de vitesse, le type de route, etc….

On va donc, pour pouvoir analyser ce jeu de données:

2.5.1 Analyse sur la table des tags

2.5.1.1 Triage en fonction des tags qui apparaissent le plus lors d’accident et les plus pertinents

## Pour faire le test de Khi-2 sur des paires  sur toutes les variables, j'ai eu besoin de diminuer le nombre de variable pour limiter le temps d'exécution. J'ai donc limiter à 10 apparations minimum de chaque tags (variable) parmi tous les individus. Je me retrouve donc avec 49 tags.
## De plus, il n'y a que 224 individus qui possèdent au minimum 1 tag ce qui est faible.

2.5.1.2 chi-carré

##                            tag1                          tag2       p_value
## 1             "railway"=>"tram"  "boundary"=>"administrative" 1.948618e-114
## 2                  "lanes"=>"4"                 "layer"=>"-1" 7.364762e-107
## 3               "tunnel"=>"yes"         "cyclability"=>"good"  1.440685e-38
## 4              "maxspeed"=>"50" "electrified"=>"contact_line"  4.502398e-37
## 5              "maxspeed"=>"50"  "boundary"=>"administrative"  5.361582e-32
## 6              "maxspeed"=>"50"             "railway"=>"tram"  7.980395e-31
## 7              "maxspeed"=>"50"                  "lanes"=>"2"  1.613054e-30
## 8       "boundary"=>"political"  "cyclability"=>"inadvisable"  1.048147e-26
## 9                 "layer"=>"-1"   "cyclability"=>"acceptable"  1.894204e-24
## 10         "foot"=>"designated"         "cyclability"=>"good"  3.935560e-23
## 11                 "lanes"=>"4"   "cyclability"=>"acceptable"  5.579280e-23
## 12        "cyclability"=>"good"                            NA  1.326436e-22
## 13                 "layer"=>"1"                  "lanes"=>"1"  2.009026e-21
## 14            "railway"=>"tram"      "cycleway:right"=>"lane"  1.149531e-20
## 15        "footway"=>"sidewalk"               "tunnel"=>"yes"  4.433612e-20
## 16 "boundary"=>"administrative"      "cycleway:right"=>"lane"  7.486434e-20
## 17                "foot"=>"yes"                  "lanes"=>"1"  1.289797e-19
## 18                 "lanes"=>"2"           "segregated"=>"yes"  8.432454e-19
## 19            "railway"=>"tram"                "oneway"=>"no"  2.582290e-18
## 20             "maxspeed"=>"50"         "footway"=>"sidewalk"  3.052446e-18
##      x_carre
## 1  516.95178
## 2  482.12588
## 3  168.67499
## 4  161.83176
## 5  138.60951
## 6  133.24777
## 7  131.85070
## 8  114.43170
## 9  104.13049
## 10  98.12113
## 11  97.43005
## 12  95.71541
## 13  90.33659
## 14  86.88612
## 15  84.21691
## 16  83.18125
## 17  82.10601
## 18  78.39596
## 19  76.18551
## 20  75.85522

Nous pouvons observer les 20 premières paires les plus significativement liées.

Les tags sélectionnés pour faire les paires ne correspondent qu’aux tags qui apparaissent dans chez au moins 10 accidents, et qui sont les plus pertinents à étudier.

Interprétation:

Il y a plus d’accident près dans un tunnel lorsqu’il y a un bon niveau de cyclabilité.

Voici la source de toutes les descriptions des différents tags:

OpenStreetMap Taginfo

2.6 Analyse sur tous les tags qui existent à Montpellier

2.6.1 Création du dataframe contenant les points de tous les tags de la métropole en fonction des tags qui apparaissent le plus lors d’accident et qui sont les plus pertinents

## Simple feature collection with 41409 features and 2 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: 3.39348 ymin: 43.46661 xmax: 4.071083 ymax: 43.77603
## Geodetic CRS:  WGS 84
## # A tibble: 41,409 x 3
##    osm_id  other_tags                                     geometry
##  * <chr>   <chr>                                       <POINT [°]>
##  1 4082728 "\"electrified\"=>\"contact_line\"" (3.898773 43.62639)
##  2 4082881 "\"bicycle\"=>\"designated\""       (3.897698 43.60829)
##  3 4082881 "\"foot\"=>\"designated\""          (3.897698 43.60829)
##  4 4082881 "\"lit\"=>\"yes\""                  (3.897698 43.60829)
##  5 4082885 "\"bicycle\"=>\"designated\""        (3.896882 43.6041)
##  6 4082885 "\"bridge\"=>\"yes\""                (3.896882 43.6041)
##  7 4082885 "\"foot\"=>\"designated\""           (3.896882 43.6041)
##  8 4082885 "\"layer\"=>\"1\""                   (3.896882 43.6041)
##  9 4082885 "\"lit\"=>\"yes\""                   (3.896882 43.6041)
## 10 4082885 "\"segregated\"=>\"no\""             (3.896882 43.6041)
## # ... with 41,399 more rows

Voici le dataframe contenant tous les tags qui existent à Montpellier en filtrant en fonction des tags sélectionnées précedemment.

2.6.2 Création de la carte affichant la densité des points dans la métropole en fonction des tags qui définissent le plus le risque d’accident